Series2 - Analisis de series temporales

Ver. 30/01/2015, Pag. # 1
Econometría II
Análisis de series temporales (II): Extensiones y metodología
Miguel Jerez y Sonia Sotoca
Universidad Complutense de Madrid
Marzo 2010

Ver. 30/01/2015, Pag. # 2
Índice
• Propiedades típicas de las series económicas
• Transformaciones de datos
• Operadores retardo y diferencia
• Procesos generalizados
• Extensiones
• Metodología

Ver. 30/01/2015, Pag. # 3
Propiedades típicas de las series económicas
0
100
200
300
400
500
600
700
1950 1952 1954 1956 1958 1960
Pasajeros de líneas aéreas, total mensual
Milesdepersonas
Muchas series temporales económicas
presentan:
• tendencia,
• estacionalidad,
• una variabilidad que crece con su nivel y
• componentes deterministas (valores
atípicos, ...)
Sin embargo, los procesos ARMA describen variables puramente estocásticas,
no estacionales, con media y varianza constantes. Por tanto, para modelizar
series económicas es necesario definir:
• Transformaciones de datos diseñadas para estabilizar la media y la varianza
de las series.
• Extensiones de la familia de procesos ARMA, para captar tendencias y
fluctuaciones estacionales.

Ver. 30/01/2015, Pag. # 4
,
( )
si
ln( ) si
t
m
t
t
y m
y
y m
l
l l
l
l
ìï + -ï ¹ïï= í
ïï + =ïïî
1
0
0
Muchas series temporales muestran una variabilidad que cambia con su nivel.
Para eliminar esta característica se utiliza la transformación de Box-Cox:
Cada transformación se caracteriza por un
valor del parámetro .
Cuando la transformación requiere valores
positivos, puede aplicarse un cambio de
origen (parámetro, m)
Para elegir la transformación adecuada
puede usarse el gráfico media-desviación
típica muestral de varias submuestras. La
figura muestra las configuraciones
correspondientes a diversos valores de .
Las series económicas a menudo
muestran una variabilidad que depende de
forma aproximadamente lineal de la media.
En ese caso, la transformación adecuada
es la logarítmica (=0)
l = 0
l = 1
l > 0
l < 0
m
s
Transformaciones de datos (I): Box-Cox

Ver. 30/01/2015, Pag. # 5
Transformaciones de datos (II.a): Ejemplo Box-Cox
• La primera figura muestra la serie de
pasajeros de líneas aéreas
• Esta serie muestra una dispersión que crece
con su media, por lo que resulta difícil
aplicarle técnicas estadísticas estándar
• La segunda figura muestra el logaritmo
neperiano los datos, que es la
transformación Box-Cox más habitual; como
puede verse, la dispersión se ha estabilizado
en un valor independiente de la media
• La transformación logarítmica tiene distintas
ventajas estadísticas ya que, a menudo:
– independiza la varianza de la media
– induce normalidad en los datos, y
– linealiza las relaciones
• Un ventaja conceptual es que al prever una
variable a partir de su logaritmo, las
previsiones serán no negativas
0
100
200
300
400
500
600
700
ene-49
ene-50
ene-51
ene-52
ene-53
ene-54
ene-55
ene-56
ene-57
ene-58
ene-59
ene-60
Mes
Pasajeros/mes(miles)
4
4.5
5
5.5
6
6.5
7
ene-49
ene-50
ene-51
ene-52
ene-53
ene-54
ene-55
ene-56
ene-57
ene-58
ene-59
ene-60
Mes
Pasajeros/mes(log)

Ver. 30/01/2015, Pag. # 6
Transformaciones de datos (II.b): Ejemplo Box-Cox
0
100
200
300
400
500
600
700
1950 1952 1954 1956 1958 1960
Milesdepersonas
Los gráficos indican que:
• Hay una relación
aproximadamente lineal
entre nivel y volatilidad,
• Que se reduce o elimina
en la serie transformada
logarítmicamente
450
500
550
600
650
1950 1952 1954 1956 1958 1960
LAIR
40
60
80
100
120
140
160
180
200
220
240
100 150 200 250 300 350 400 450 500
rango
media
gráfico rango-media de AIRLINE con ajuste mínimo-cuadrático

Ver. 30/01/2015, Pag. # 7
Transformaciones de datos (III): Diferencias
A menudo la tendencia de una serie puede eliminarse diferenciando los datos. Se
dice que una serie es “integrada de orden uno”, o I(1), si su primera diferencia:
es estacionaria en media.
t t tz y y -= - 1
-4
-3
-2
-1
0
1
100 200 300 400 500
Paseo aleatorio sin deriva
-.3
-.2
-.1
.0
.1
.2
.3
100 200 300 400 500
Primera diferencia
La serie de la primera figura es una muestra del proceso estocástico
. Por tanto, será estacionaria.; iid N(0,.01)t t t ty y a a-= +1 : t t tz y y -= - 1
Algunas series necesitan una diferencia adicional para conseguir una media
incondicional estable. En ese caso se dice que son “integradas de orden dos”

Ver. 30/01/2015, Pag. # 8
La primera diferencia del logaritmo de una serie es una tasa logarítmica en tanto
por uno, alternativa a la tasa porcentual, ya que si: , resulta:
Frente a la tasa de variación convencional, la tasa
logarítmica tiene la ventaja de ser aditiva, esto es:
Transformaciones de datos (IV): Interpretación
( )t t ty ya -= + 11
ln ln ln( )t t t ty y a a-- = +1 1 ;
( )ln ln ln ln ln( )
n n
n t t t
t t
y y y y a-
= =
- = - = +å å0 1
1 1
1
En el cuadro se presentan varias transformaciones comunes y su interpretación.
Serie transformada Interpretación
Cambio en el valor de yt. Es un indicador de “crecimiento”
Tasa logarítmica (en tanto por uno) de variación entre un
período y el siguiente. Es un indicador de crecimiento en
términos relativos
Cambio en la tasa logarítmica de variación entre un período y el
siguiente. Es un indicador de “aceleración” en el crecimiento
relativo
Tasa logarítmica de variación acumulada en S períodos.
Indicador de crecimiento acumulado en un ciclo estacional
t t tz y y -= - 1
ln lnt t tz y y -= - 1
;
ln ln
t t t
t t t
w z z
z y y
-
-
= -
= -
1
1
ln lnt t t Sz y y -= -

Ver. 30/01/2015, Pag. # 9
Diferencias regulares y tendencia:
• La primera figura muestra el logaritmo de
la serie de pasajeros de líneas aéreas;
esta serie tiene tendencia, por lo su media
no es estable ni finita
• Si al dato en cada mes se le resta el dato
del mes anterior queda una serie que
fluctúa establemente en torno a un nivel
finito (segunda figura)
• El cambio mes a mes del logaritmo de una
serie es la tasa logarítmica intermensual
(tasa log)
• Esta serie se parece a la tasa de variación
en tanto por uno
• Aunque la tasa log ya no tenga tendencia
sigue teniendo estacionalidad: en vez de
una media hay doce medias
Transformaciones de datos (V.a): Ejemplo
4
4.5
5
5.5
6
6.5
7
ene-49
ene-50
ene-51
ene-52
ene-53
ene-54
ene-55
ene-56
ene-57
ene-58
ene-59
ene-60Mes
Pasajeros/mes(log)
-0.35
-0.25
-0.15
-0.05
0.05
0.15
0.25
0.35
ene-49
ene-50
ene-51
ene-52
ene-53
ene-54
ene-55
ene-56
ene-57
ene-58
ene-59
ene-60
Mes
Tasaintermensual(log)

Ver. 30/01/2015, Pag. # 10
Diferencias estacionales:
• La primera figura muestra nuevamente el
logaritmo de la serie de pasajeros de
líneas aéreas; esta serie tiene
estacionalidad, por lo que su media
cambia cíclicamente
• Si al (log) del dato en cada mes se le
resta el (log) del dato del mismo mes en el
año anterior, se obtiene una serie sin
estacionalidad aparente pero con cambios
locales en la media (segunda figura)
• El cambio año a año del logaritmo de una
serie es su tasa de variación logarítmica
interanual
• Esta serie se parece a la correspondiente
tasa de variación en tanto por uno:
Transformaciones de datos (V.b): Ejemplo
4
4.5
5
5.5
6
6.5
7
ene-49
ene-50
ene-51
ene-52
ene-53
ene-54
ene-55
ene-56
ene-57
ene-58
ene-59
ene-60
Mes
Pasajeros/mes(log)
-0.35
-0.25
-0.15
-0.05
0.05
0.15
0.25
0.35
0.45
ene-49
ene-50
ene-51
ene-52
ene-53
ene-54
ene-55
ene-56
ene-57
ene-58
ene-59
ene-60
Mes
Tasainteranual(log)
12
12
ln ln 1t
t t
t
y
y y
y

  

Ver. 30/01/2015, Pag. # 11
Mensajes publicitarios:
• Muchas series temporales:
– no tienen una media finita, o
– su media cambia en el tiempo y, a
menudo,
– su variabilidad depende de su media
• La mayoría de las series temporales, sobre
todo las medidas en unidades monetarias,
requieren:
– una transformación logarítmica,
– al menos una diferencia regular, y
– si hay estacionalidad, al menos una
diferencia estacional
• Las series transformadas resultantes
pueden interpretarse como cambios en las
tasas (log) de variación
Transformaciones de datos (V.c): Ejemplo
0
100
200
300
400
500
600
700
ene-49
ene-50
ene-51
ene-52
ene-53
ene-54
ene-55
ene-56
ene-57
ene-58
ene-59
ene-60Mes
Pasajeros/mes(miles)
-0.35
-0.25
-0.15
-0.05
0.05
0.15
0.25
0.35
ene-49
ene-50
ene-51
ene-52
ene-53
ene-54
ene-55
ene-56
ene-57
ene-58
ene-59
ene-60
Mes
Cambiomensualenlatasaanual(log)

Ver. 30/01/2015, Pag. # 12
Operadores retardo y diferencia
A menudo resulta práctico representar los procesos estocásticos utilizando el
operador retardo, que se define de la siguiente manera:
/ )
) ; :constante
)
)
) ( )
t t
t t
t t
l
t t t t t l
B i Bz z
ii Bk k k
iii B z z
iv B z z
v z Bz B z B z B z l
-
-
+
+ + + +
=
=
=
=
= = = = = >
1
0
1
1
2 3
1 2 3 0K
El operador diferencia se define a partir del operador retardo como:
En series estacionales de período S, a menudo se utiliza una variante de este
operador que se conoce como diferencia estacional:
/ ( )t t t ty B y y y -Ñ Ñ = - = - 11
/ ( )S
S S t t t t sy B y y y -Ñ Ñ = - = -1

Ver. 30/01/2015, Pag. # 13
Procesos generalizados (I): ARMA(p,q)
Los procesos definidos anteriormente pueden escribirse con órdenes generales:
• AR(p):
• MA(q):
• ARMA(p,q):
... y expresarse en términos del operador retardo de la siguiente forma:
• AR(p):
• MA(q):
• ARMA(p,q):
... en donde los polinomios característicos de las partes AR y MA del modelo son:
(polinomio AR)
(polinomio MA)
t t t p t p tz c z z z af f f- - -= + + + + +1 1 2 2 K
t z t t t q t qz a a a am q q q- - -= + - - - -1 1 2 2 K
t t t p t p t t t q t qz c z z z a a a af f f q q q- - - - - -= + + + + + - - - -1 1 2 2 1 1 2 2K K
( )p t tB z c af = +
( ) p
p pB B B Bf f f f= - - - -2
1 21 K
( ) q
q qB B B Bq q q q= - - - -2
1 21 K
( )t z q tz B am q= +
( ) ( )p t q tB z c B af q= +

Ver. 30/01/2015, Pag. # 14
Procesos generalizados (II): Estacionariedad
Estacionariedad: Se dice que un proceso estocástico es estacionario si todas
las raíces de la ecuación característica están fuera del
círculo de radio unidad del plano complejo.
La condición de estacionariedad sólo afecta a la componente AR del proceso
ARIMA, ya que la componente MA siempre es estacionaria.
Cuando el polinomio AR tiene alguna raíz igual a uno, se dice que tiene “raíces
unitarias”.
p
pB B Bf f f- - - - =2
1 21 0K
Consecuencias del cumplimiento:
• El proceso tiene media y varianza incondicionales finitas y estables.
• El proceso puede escribirse en forma MA equivalente.
Consecuencias del no cumplimiento (raíces unitarias):
• La varianza incondicional diverge a infinito.
• Si tiene deriva, la media incondicional diverge a infinito.
• El factor AR puede factorizarse separando las raíces unitarias de las raíces
estacionarias.
Ejemplo. El proceso AR(2) no estacionario: es equivalente
al proceso ARIMA(1,1,0):
( . . ) t tB B y a- + =2
1 1 5 5
( . ) t tB y a- Ñ =1 5

Ver. 30/01/2015, Pag. # 15
Procesos generalizados (III): Invertibilidad
Invertibilidad: Se dice que un proceso estocástico es invertible si todas las
raíces de la ecuación característica están fuera del
círculo de radio unidad del plano complejo.
La condición de invertibilidad sólo afecta a la componente MA del proceso
ARIMA, ya que la componente AR siempre es invertible.
q
qB B Bq q q- - - - =2
1 21 0K
Consecuencias del cumplimiento:
• El proceso puede escribirse en forma AR equivalente.
Consecuencias del no cumplimiento (raíces unitarias):
• El proceso podría simplificarse, bien eliminando una diferencia, bien
representando la tendencia de forma determinista.
Ejemplos.
El proceso ARIMA(2,2,1) no invertible: es equivalente
al proceso ARIMA(2,1,0):
Diferenciando el proceso de tendencia determinista: se obtiene el
proceso ARIMA(0,1,1) no invertible:
( . . ) ( )t tB B y B a- + Ñ = -2 2
1 5 7 1
( . . ) t tB B y a- + Ñ =2
1 5 7
t ty t ab= +
( )t ty B abÑ = + -1

Ver. 30/01/2015, Pag. # 16
Ejemplo 1. Un AR(1) no explosivo puede escribirse como:
o, alternativamente, como un proceso media móvil infinito:
Procesos generalizados (IV)
( ) t tB z c af- = +1
( )t t z t
c
z a B B a
B
m f f
f f
= + = + + + +
- -
2 21
1
1 1
K
Ejemplo 2. Un MA(1) con raíces en o fuera del círculo de radio unidad puede
escribirse como: o, alternativamente, como:( )t z tz B am q= + -1
; ( )z
t t t tz a B B z c a
B
m
q q
q q
= + + + + = +
- -
2 21
1
1 1
K
Representaciones alternativas: Cuando un proceso estocástico no tiene
raíces AR ni MA dentro del círculo de radio unidad, puede escribirse de forma
equivalente como AR() o MA():
Esto quiere decir que el proceso ARIMA es una aproximación finita a los
procesos estocásticos generales:
• Forma “pi”:
• Forma “psi”: t z t t tz a a am y y- -= + + + +1 1 2 2 K
t t t tz c z z ap p- -= + + + +1 1 2 2 K

Ver. 30/01/2015, Pag. # 17
La tendencia estocástica de las series económicas puede captarse mediante
raíces AR unitarias. Por ello tiene interés generalizar la formulación del modelo
ARMA admitiendo en él este tipo de factores. Esta idea da lugar al modelo ARIMA
(p,d,q), que se define como:
en donde:
d ,
( ) ( )m
p t q tB y c B al
f q= +
( ) p
p pB B B Bf f f f= - - - -2
1 21 K
( ) q
q qB B B Bq q q q= - - - -2
1 21 K
/ k
t t kB B y y±
= m
,
( )
si
ln( ) si
t
m
t
t
y m
y
y m
l
l l
l
l
ìï + -ï ¹ïï= í
ïï + =ïïî
1
0
0
Bº -1
[polinomio AR(p)]
[polinomio MA(q)]
[operadores retardo y diferencia]
[transformación de datos (Box-Cox)]
Procesos generalizados (V): ARIMA(p,d,q)
Si los polinomios AR y MA tienen sus raíces en o fuera del círculo de radio unidad,
el proceso ARIMA puede escribirse de las siguientes formas equivalentes:
d ,
( )
)
( )
p m
t z t
q
B
y a
B
l
f
m
q
- =d ,
( )
( )
qm
t z t
p
B
y a
B
l
q
m
f
= + d ,
( )
( )
p m
t t
q
B
y c a
B
l
f
q
= +

Ver. 30/01/2015, Pag. # 18
,
( ) ( ) ( ) ( )S D d m S
p P S t q Q tB B y c B B al
f qF = + Q 
( )S S S P S
P PB B B B× ×
F = - F - F - - F2
1 21 K
Para captar este comportamiento, se define el modelo ARIMA(p,d,q)x(P,D,Q)S:
S
S Bº -1
Extensiones (I): Estacionalidad
[polinomio AR(P)S]
[operador diferencia estacional]
Las series económicas a menudo muestran un
comportamiento estacional, esto es, una pauta
que se repite con una periodicidad fija, a
menudo anual.
El período estacional (S) se define como el
número de observaciones necesarias para
recorrer todo el ciclo estacional. Por ejemplo,
S=12 para datos mensuales, S=4 para datos
trimestrales, etc.
( )S S S QS
Q QB B B B× ×
Q = - Q - Q - - Q2
1 21 K [polinomio MA(Q)S]
... que incluye tres nuevos factores:
0
100
200
300
400
500
600
700
1950 1952 1954 1956 1958 1960
Milesdepersonas
Este modelo admite relaciones entre un dato y el de S períodos atrás.

Ver. 30/01/2015, Pag. # 19
Extensiones (II): Modelo RegARIMA
Uniendo las ideas anteriores con el análisis de regresión, resulta inmediato
formular el modelo RegARIMA (modelo de regresión con errores ARIMA) como:
l l
e f e q= + F = Q
,
( ) ; ( ) ( ) ( ) ( )y y x
m T S D d S
t t p P S t q Q ty B B B B ax,m
tx b  con
o bien:
De manera que los valores de la serie temporal se ponen en relación, no sólo
con su pasado, sino también con los valores contemporáneos de otras series,
que actúan como variables explicativas o “inputs”.
Las variables pueden ser series económicas o variables deterministas
diseñadas para modelizar:
• Efectos calendario, causados por irregularidades en la unidad de tiempo como
pueden ser: distinto número de días laborables y festivos o celebración de la
Semana Santa.
• Valores atípicos (outliers) debidos a fenómenos como, p.ej., el split del nominal
de una acción, cambios en tipos impositivo o fenómenos como inundaciones o
terremotos. En este caso se dice que el modelo es “de intervención”.
l x x,m
tx
l l
f qé ùF - = Qê úë û
,
( ) ( ) ( ) ( ) ( )y y x
mS D d T S
p P S t q Q tB B y B B ax,m
tx b 

Ver. 30/01/2015, Pag. # 20
Impulsos. Producen un cambio en el nivel de una sola observación de la serie.
Pueden modelizarse mediante:
ìï =ï= í
ï ¹ïî
1
0
*
*
si
si
i
t
t t
x
t t
Impulsos compensados. Producen un cambio en el nivel de una observación,
seguido por un cambio de nivel compensatorio en la observación siguiente.
Pueden modelizarse mediante:
ìï =ïïï= - = +í
ïï ¹ +ïïî
1
1 1
0 1
*
*
* *
si
si
si ,
IC
t
t t
x t t
t t t
Escalones. Producen un cambio en el nivel de todas las observaciones
posteriores a una fecha dada. Pueden modelizarse mediante:
*
*
si
si
E
t
t t
x
t t
ìï ³ï= í
ï <ïî
1
0
Extensiones (III): Inputs de intervención

Ver. 30/01/2015, Pag. # 21
Definir los objetivos del análisis,
estudiar la información disponible
Identificación:
Seleccionar una especificación tentativa
no
Estimación
(Métodos no lineales)
Diagnosis:
¿Es válido el modelo
para los fines
Previstos?
Utilización del modelo
si
Metodología (I)
Los métodos de análisis de series
temporales combinan los modelos e
instrumentos anteriores en una
metodología sistemática para construir y
probar modelos

Ver. 30/01/2015, Pag. # 22
Parámetro Instrumento de identificación Observaciones
m, 
• Gráfico media-desviación típica
• Gráfico de la serie temporal
Se trata de conseguir que la variabilidad de los
datos sea independiente de su nivel. En series
económicas es habitual =0, lo que supone
transformar logarítmicamente los datos.
d, orden de
diferenciación
• Gráfico de la serie temporal
• ACF (decrecimiento lento y
lineal)
Se trata de conseguir que los datos fluctúen en
torno a una media aproximadamente estable
Término
constante
• Media muestral de la serie
diferenciada
• Desviación típica de la media
Si la media de la serie transformada es
significativa, el modelo debe incluir un término
constante
p, orden del
término AR
• PACF de orden p
• ACF infinita
La PACF tiene p valores no nulos
Un proceso AR finito y estacionario equivale a
un MA()
q, orden del
término MA
• ACF de orden q
• PACF infinita
La ACF tiene q valores no nulos
Un proceso MA finito e invertible equivale a un
AR()
Metodología (II): Identificación

Ver. 30/01/2015, Pag. # 23
Parámetro Instrumento de identificación Observaciones
d, orden de
diferenciación
• Raíces de los polinomios AR
y MA
• Una raíz próxima a uno en la parte AR indica que
conviene añadir una diferencia
• Una raíz próxima a uno en la parte MA indica que
conviene quitar una diferencia
• Gráfico de la serie de
residuos
Si muestra rachas largas de residuos positivos o
negativos, puede ser necesaria una diferencia
adicional
Término
constante
• Media muestral de los
residuos
• Desviación típica de la media
Si la media de los residuos es significativa, debe
añadirse un término constante
p y q
• Contrastes de significación
de los parámetros estimados
Permiten eliminar parámetros irrelevantes
• ACF y PACF residuales Detectan pautas de autocorrelación no modelizadas
• Test Q
Contrasta la hipótesis conjunta de que todos los
coeficientes de autocorrelación son nulos
• Correlaciones elevadas entre
parámetros estimados
Puede ser un síntoma de sobreparametrización
• Sobreajuste
Consiste en añadir parámetros AR y/o MA, para
comprobar si resultan significativos y mejoran la
calidad estadística del modelo
Metodología (III): Diagnosis

Series2 - Analisis de series temporales

Más contenido relacionado

La actualidad más candente (20)

Destacado (13)

Similar a Series2 - Analisis de series temporales (20)

Último (20)

Series2 - Analisis de series temporales